Funzione Lagrangiana: Come Risolvere Problemi di Ottimizzazione (Lagrange, KKT)

Cerca nel sito

Altri risultati..

Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors

Cerca nelle Categorie

Lagrangiana e Ottimizzazione

La Funzione Lagrangiana: Concetti e Applicazioni

La funzione lagrangiana, o semplicemente lagrangiana, è un concetto matematico fondamentale che trova impiego in diverse aree della fisica e della matematica applicata. Nata nel contesto della meccanica classica grazie a Joseph-Louis Lagrange, è diventata uno strumento versatile per descrivere sistemi dinamici e risolvere problemi di ottimizzazione vincolata.


In Meccanica Classica:

Nella formulazione lagrangiana della meccanica classica, la lagrangiana [math]\mathcal{L}[/math] di un sistema è definita come la differenza tra la sua energia cinetica e la sua energia potenziale:

[math]
\mathcal{L}(q_i, \dot{q}_i, t) = T – V
[/math]

dove:

  • [math]q_i[/math]: rappresenta l’insieme delle coordinate generalizzate che descrivono la configurazione del sistema (ad esempio, posizioni angolari o lineari).
  • [math]\dot{q}_i = \frac{dq_i}{dt}[/math]: sono le velocità generalizzate, ovvero le derivate rispetto al tempo delle coordinate generalizzate.
  • [math]T[/math]: è l’energia cinetica del sistema, che dipende tipicamente dalle velocità generalizzate.
  • [math]V[/math]: è l’energia potenziale del sistema, che dipende tipicamente dalle coordinate generalizzate e possibilmente dal tempo.

Dalla lagrangiana si possono derivare le equazioni del moto del sistema attraverso le:

➤ Equazioni di Eulero-Lagrange:

Per ogni coordinata generalizzata [math]q_i[/math], l’equazione del moto corrispondente è data da:

[math]
\frac{d}{dt} \left( \frac{\partial \mathcal{L}}{\partial \dot{q}_i} \right) – \frac{\partial \mathcal{L}}{\partial q_i} = 0
[/math]

Queste equazioni rappresentano una riformulazione del secondo principio della dinamica di Newton e sono particolarmente utili per sistemi complessi o con vincoli.

In Ottimizzazione Vincolata (Metodo dei Moltiplicatori di Lagrange):

Nel campo dell’ottimizzazione matematica, la funzione lagrangiana è uno strumento fondamentale per trovare i massimi o i minimi locali di una funzione obiettivo soggetta a uno o più vincoli di uguaglianza. In questo contesto, la lagrangiana non rappresenta energie, ma viene costruita per incorporare i vincoli nel problema di ottimizzazione non vincolata.

Per una funzione obiettivo [math]f(\mathbf{x})[/math] (dove [math]\mathbf{x}[/math] è un vettore di variabili) e un singolo vincolo [math]g(\mathbf{x}) = c[/math] (o [math]g(\mathbf{x}) – c = 0[/math]), la lagrangiana è definita come:

[math]
\mathcal{L}(\mathbf{x}, \lambda) = f(\mathbf{x}) – \lambda \cdot (g(\mathbf{x}) – c)
[/math]

dove [math]\lambda[/math] è chiamato il moltiplicatore di Lagrange associato al vincolo.

In una forma più generale, per una funzione obiettivo [math]f(\mathbf{x})[/math] soggetta a [math]m[/math] vincoli di uguaglianza [math]g_i(\mathbf{x}) = 0[/math] per [math]i=1, \dots, m[/math], la lagrangiana è:

[math]
\mathcal{L}(\mathbf{x}, \mathbf{\lambda}) = f(\mathbf{x}) + \sum_{i=1}^m \lambda_i g_i(\mathbf{x})
[/math]

dove:

  • [math]f(\mathbf{x})[/math]: è la funzione obiettivo che si desidera ottimizzare (massimizzare o minimizzare).
  • [math]g_i(\mathbf{x}) = 0[/math]: sono le funzioni che definiscono i vincoli di uguaglianza.
  • [math]\mathbf{x}[/math]: è il vettore delle variabili di ottimizzazione.
  • [math]\mathbf{\lambda} = [\lambda_1, \lambda_2, \dots, \lambda_m][/math]: è il vettore dei moltiplicatori di Lagrange, uno per ogni vincolo.

I punti critici della funzione obiettivo vincolata si trovano risolvendo il sistema di equazioni ottenuto ponendo a zero le derivate parziali della Lagrangiana rispetto a tutte le variabili [math]\mathbf{x}[/math] e rispetto a tutti i moltiplicatori [math]\mathbf{\lambda}[/math].

👉Come Usare i Moltiplicatori di Lagrange: Esempio Pratico e Spiegazione Teorica

Cos’è la Funzione Lagrangiana nell’Ottimizzazione Vincolata?

Nel mondo dell’ottimizzazione matematica, spesso ci troviamo nella situazione di voler trovare il valore massimo o minimo di una funzione, ma con la restrizione che le variabili devono soddisfare una o più condizioni (vincoli). Quando questi vincoli sono espressi come uguaglianze, la funzione Lagrangiana diventa uno strumento potentissimo per affrontare il problema.

La funzione Lagrangiana ci permette di trasformare un problema di ottimizzazione vincolata in un problema di ottimizzazione non vincolata su una nuova funzione che include sia la funzione obiettivo originale sia i vincoli.

 Struttura della Funzione Lagrangiana

Supponiamo di voler ottimizzare (cioè massimizzare o minimizzare) una funzione di due variabili:

[math]
f(x,y)
[/math]

soggetta a un vincolo di uguaglianza:

[math]
g(x,y) = 0
[/math]

Allora costruiamo la funzione Lagrangiana [math]\mathcal{L}(x,y,\lambda)[/math] così:

[math]
\mathcal{L}(x,y,\lambda) = f(x,y) – \lambda \cdot g(x,y)
[/math]

Nella funzione Lagrangiana:

  • [math]f(x,y)[/math]: è la funzione che vogliamo ottimizzare (la funzione obiettivo).
  • [math]g(x,y)[/math]: è la funzione che definisce il vincolo, nella forma in cui è uguale a zero.
  • [math]\lambda[/math] (lambda): è il moltiplicatore di Lagrange, una nuova variabile (una costante sconosciuta) che introduciamo. Pensa a [math]\lambda[/math] come a un “peso” che ci aiuta a tenere conto dell’impatto del vincolo sull’ottimizzazione.

Idea Intuitiva

L’idea fondamentale dietro l’uso della Lagrangiana è trovare i punti in cui le curve di livello della funzione obiettivo [math]f(x,y)[/math] sono tangenti alle curve di livello del vincolo [math]g(x,y) = 0[/math]. In questi punti, non possiamo muoverci lungo il vincolo per migliorare ulteriormente il valore di [math]f(x,y)[/math]. Il metodo dei Moltiplicatori di Lagrange trova proprio questi punti di tangenza (i punti critici vincolati) risolvendo un sistema di equazioni derivato dalla Lagrangiana.

Ti potrebbe interessare anche:  Classificazione delle Funzioni: Guida Analitica, Strutturale, Algebrica e Test Finale

Come si usa il Metodo dei Moltiplicatori di Lagrange?

Segui questi passi:

  1. Identifica la funzione obiettivo [math]f(x,y)[/math] che vuoi ottimizzare e il vincolo [math]g(x,y)[/math], assicurandoti che il vincolo sia scritto nella forma [math]g(x,y) = 0[/math].
  2. Costruisci la funzione Lagrangiana: [math]\mathcal{L}(x,y,\lambda) = f(x,y) – \lambda \cdot g(x,y)[/math].
  3. Calcola le derivate parziali prime della Lagrangiana rispetto a ciascuna variabile ([math]x[/math] e [math]y[/math]) e rispetto al moltiplicatore [math]\lambda[/math].
  4. Imposta un sistema di equazioni ponendo uguale a zero ciascuna delle derivate parziali calcolate.
  5. Risolvi il sistema di equazioni per trovare i valori di [math]x[/math], [math]y[/math] e [math]\lambda[/math]. Le coppie [math](x,y)[/math] trovate sono i punti critici vincolati.
  6. Valuta la funzione obiettivo [math]f(x,y)[/math] in questi punti critici per trovare i valori ottimali (massimi o minimi) soggetti al vincolo. Per determinare se un punto critico è un massimo, un minimo o un punto di sella, sono necessari ulteriori test (come l’analisi della matrice Hessiana orlata), ma per problemi semplici o convessi, l’analisi può essere più diretta.

Esempio Semplice

Applichiamo il metodo a un problema di ottimizzazione vincolata:

🔹 Problema:

Trova i massimi e minimi della funzione:

[math]
f(x,y) = x^2 + y^2
[/math]

soggetta al vincolo:

[math]
x + y = 1
[/math]

🔹 Passo 1: Costruisci la Lagrangiana

Riscriviamo il vincolo come [math]g(x,y) = x + y – 1 = 0[/math]. La Lagrangiana è:

[math]
\mathcal{L}(x,y,\lambda) = f(x,y) – \lambda \cdot g(x,y) = x^2 + y^2 – \lambda (x + y – 1)
[/math]

🔹 Passo 2: Calcola le derivate parziali e imposta il sistema

Calcoliamo le derivate parziali e le poniamo a zero:

[math]
\begin{cases}
\frac{\partial \mathcal{L}}{\partial x} = 2x – \lambda = 0 \quad &(1) \\
\frac{\partial \mathcal{L}}{\partial y} = 2y – \lambda = 0 \quad &(2) \\
\frac{\partial \mathcal{L}}{\partial \lambda} = -(x + y – 1) = 0 \quad &(3)
\end{cases}
[/math]

L’equazione (3) è semplicemente il vincolo originale [math]x + y – 1 = 0[/math].

🔹 Passo 3: Risolvi il sistema

Dalle equazioni (1) e (2) ricaviamo [math]\lambda[/math]:

[math]
\lambda = 2x \quad \text{e} \quad \lambda = 2y
[/math]

Uguagliando queste espressioni, otteniamo una relazione tra [math]x[/math] e [math]y[/math]:

[math]
2x = 2y \quad \Rightarrow \quad x = y
[/math]

Ora sostituiamo questa relazione [math]x = y[/math] nell’equazione (3), che è il vincolo [math]x + y – 1 = 0[/math]:

[math]
x + x – 1 = 0 \quad \Rightarrow \quad 2x – 1 = 0 \quad \Rightarrow \quad 2x = 1 \quad \Rightarrow \quad x = \frac{1}{2}
[/math]

Poiché [math]x = y[/math], anche [math]y[/math] sarà:

[math]
y = \frac{1}{2}
[/math]

Possiamo anche trovare il valore di [math]\lambda[/math] usando [math]\lambda = 2x[/math] (o [math]\lambda = 2y[/math]):

[math]
\lambda = 2 \cdot \frac{1}{2} = 1
[/math]

🔹 Conclusione dell’esempio:

L’unico punto critico vincolato trovato è [math](x,y) = \left( \frac{1}{2}, \frac{1}{2} \right)[/math].

Calcoliamo il valore della funzione obiettivo [math]f(x,y)[/math] in questo punto:

[math]
f\left( \frac{1}{2}, \frac{1}{2} \right) = \left( \frac{1}{2} \right)^2 + \left( \frac{1}{2} \right)^2 = \frac{1}{4} + \frac{1}{4} = \frac{2}{4} = \frac{1}{2}
[/math]

Il valore della funzione nel punto critico è [math]\frac{1}{2}[/math].

✅ In questo caso specifico, la funzione [math]f(x,y) = x^2 + y^2[/math] rappresenta il quadrato della distanza dall’origine, e il vincolo [math]x+y=1[/math] è una retta. Geometricamente, stiamo cercando il punto sulla retta più vicino all’origine. L’unico punto critico trovato corrisponde al minimo globale della funzione sotto il vincolo dato.

Quando usare il Metodo della Lagrangiana?

Il metodo dei Moltiplicatori di Lagrange è particolarmente utile:

  • Quando hai una funzione obiettivo [math]f(\mathbf{x})[/math] (con [math]\mathbf{x}[/math] vettore di variabili) che vuoi ottimizzare (trovare massimi o minimi).
  • Quando sei soggetto a uno o più vincoli che possono essere espressi come uguaglianze nella forma [math]g_i(\mathbf{x}) = 0[/math].
  • Il metodo funziona per un numero qualsiasi di variabili e un numero qualsiasi di vincoli di uguaglianza (a patto che si possa risolvere il sistema di equazioni risultante).

È uno strumento fondamentale in molte aree scientifiche ed economiche per risolvere problemi di ottimizzazione in presenza di restrizioni precise.

Condizioni di Karush-Kuhn-Tucker (KKT): Ottimizzazione con Vincoli di Disuguaglianza

Abbiamo visto come il metodo dei Moltiplicatori di Lagrange sia efficace per problemi di ottimizzazione con vincoli di uguaglianza. Tuttavia, molti problemi reali coinvolgono anche vincoli di disuguaglianza. Le condizioni di Karush-Kuhn-Tucker (KKT) estendono il concetto della Lagrangiana per gestire questa tipologia più generale di vincoli.

1. Perché servono le condizioni KKT?

La formulazione classica della Lagrangiana [math]\mathcal{L}(\mathbf{x}, \lambda) = f(\mathbf{x}) – \lambda g(\mathbf{x})[/math] è progettata specificamente per vincoli di uguaglianza della forma [math]g(\mathbf{x}) = 0[/math].

Ti potrebbe interessare anche:  Le Successioni numeriche

Molti scenari pratici, tuttavia, presentano vincoli espressi come disuguaglianze, ad esempio:

  • Vincoli sulle risorse disponibili ([math]\leq[/math]).
  • Obbligo che alcune variabili siano non negative ([math]\geq 0[/math]).
  • Limiti superiori o inferiori su determinate quantità.

Esempi comuni sono vincoli del tipo [math]x \geq 0[/math], [math]y \geq 0[/math], [math]x + y \leq 10[/math], ecc.

👉 Le condizioni KKT forniscono le condizioni necessarie (e in certi casi sufficienti, come vedremo) per un punto di ottimo in problemi di ottimizzazione che includono sia vincoli di uguaglianza che di disuguaglianza.

2. Struttura di un problema con disuguaglianze

Un problema di ottimizzazione generale con vincoli può essere formulato come:

🔹 Obiettivo:

[math]
\text{Minimizzare } f(\mathbf{x})
[/math]

(Nota: massimizzare [math]f(\mathbf{x})[/math] è equivalente a minimizzare [math]-f(\mathbf{x})[/math], quindi la formulazione in termini di minimizzazione copre entrambi i casi).

🔹 Vincoli:

  • [math]g_i(\mathbf{x}) = 0[/math] per [math]i = 1, \dots, m[/math] (vincoli di uguaglianza)
  • [math]h_j(\mathbf{x}) \leq 0[/math] per [math]j = 1, \dots, p[/math] (vincoli di disuguaglianza)

(Nota: un vincolo del tipo [math]h_j(\mathbf{x}) \geq 0[/math] può essere riscritto come [math]-h_j(\mathbf{x}) \leq 0[/math]).

3. La Lagrangiana estesa per KKT

La funzione Lagrangiana per un problema con vincoli di disuguaglianza viene estesa includendo un termine per ciascun vincolo di disuguaglianza, con un moltiplicatore di Lagrange associato. Per la formulazione di minimizzazione con vincoli [math]g_i(\mathbf{x}) = 0[/math] e [math]h_j(\mathbf{x}) \leq 0[/math], la Lagrangiana KKT è:

[math]
\mathcal{L}(\mathbf{x}, \mathbf{\lambda}, \mathbf{\mu}) = f(\mathbf{x}) + \sum_{i=1}^{m} \lambda_i g_i(\mathbf{x}) + \sum_{j=1}^{p} \mu_j h_j(\mathbf{x})
[/math]

Dove:

  • [math]\mathbf{x}[/math]: vettore delle variabili di ottimizzazione.
  • [math]\mathbf{\lambda} = [\lambda_1, \dots, \lambda_m][/math]: vettore dei moltiplicatori di Lagrange per i vincoli di uguaglianza. Questi moltiplicatori [math]\lambda_i[/math] possono assumere qualsiasi valore reale (positivi, negativi o zero).
  • [math]\mathbf{\mu} = [\mu_1, \dots, \mu_p][/math]: vettore dei moltiplicatori di Lagrange per i vincoli di disuguaglianza. Questi moltiplicatori [math]\mu_j[/math] devono soddisfare una condizione cruciale: devono essere non negativi ([math]\mu_j \geq 0[/math]).

4. Condizioni KKT

Le condizioni di Karush-Kuhn-Tucker sono un insieme di condizioni necessarie che un punto [math]\mathbf{x}^*[/math] deve soddisfare per essere un ottimo locale (sotto alcune condizioni di regolarità dei vincoli). Queste condizioni riguardano [math]\mathbf{x}^*[/math] e i corrispondenti moltiplicatori [math]\mathbf{\lambda}^*[/math] e [math]\mathbf{\mu}^*[/math].

Le condizioni KKT sono:

  1. Stazionarietà: Il gradiente della Lagrangiana rispetto alle variabili [math]\mathbf{x}[/math], valutato nel punto candidato [math]\mathbf{x}^*[/math], deve essere zero. Questo significa che la direzione di massimo aumento di [math]f[/math] è una combinazione lineare delle direzioni normali ai vincoli attivi nel punto.
    [math]
    \nabla f(\mathbf{x}^*) + \sum_{i=1}^m \lambda_i^* \nabla g_i(\mathbf{x}^*) + \sum_{j=1}^p \mu_j^* \nabla h_j(\mathbf{x}^*) = \mathbf{0}
    [/math]
    (Dove [math]\nabla[/math] indica il vettore gradiente, cioè il vettore delle derivate parziali rispetto a [math]\mathbf{x}[/math]).
  2. Primal Feasibility (Fattibilità Primale): Il punto candidato [math]\mathbf{x}^*[/math] deve soddisfare tutti i vincoli originali (uguaglianze e disuguaglianze).
    [math]
    g_i(\mathbf{x}^*) = 0 \quad \text{per } i=1,\dots,m
    [/math]
    [math]
    h_j(\mathbf{x}^*) \leq 0 \quad \text{per } j=1,\dots,p
    [/math]
  3. Dual Feasibility (Fattibilità Duale): I moltiplicatori associati ai vincoli di disuguaglianza devono essere non negativi.
    [math]
    \mu_j^* \geq 0 \quad \text{per } j=1,\dots,p
    [/math]
    (Nota: non c’è un vincolo di segno sui moltiplicatori [math]\lambda_i^*[/math] per i vincoli di uguaglianza).
  4. Complementary Slackness (Condizione di Complementarietà): Per ogni vincolo di disuguaglianza, il prodotto del moltiplicatore [math]\mu_j^*[/math] e del valore del vincolo [math]h_j(\mathbf{x}^*)[/math] (valutato nel punto candidato) deve essere zero.
    [math]
    \mu_j^* \cdot h_j(\mathbf{x}^*) = 0 \quad \text{per ogni } j = 1,\dots,p
    [/math]Questa condizione è fondamentale e implica che per ciascun vincolo di disuguaglianza [math]h_j(\mathbf{x}) \leq 0[/math]:

    • Se il vincolo è attivo nel punto ottimo ([math]h_j(\mathbf{x}^*) = 0[/math]), allora il moltiplicatore [math]\mu_j^*[/math] può essere positivo (e influenza la soluzione).
    • Se il vincolo è non attivo nel punto ottimo ([math]h_j(\mathbf{x}^*) < 0[/math]), allora il moltiplicatore associato deve essere zero ([math]\mu_j^* = 0[/math]). Questo ha senso perché un vincolo non attivo non “costringe” la soluzione, quindi il suo moltiplicatore non contribuisce alla condizione di stazionarietà.

Risolvere un problema di ottimizzazione con vincoli di disuguaglianza significa trovare un punto [math]\mathbf{x}^*[/math] e i corrispondenti moltiplicatori [math]\mathbf{\lambda}^*[/math] e [math]\mathbf{\mu}^*[/math] che soddisfino tutte e quattro le condizioni KKT.

Esempio semplice con KKT

Consideriamo un problema con un vincolo di disuguaglianza:

🔹 Problema:

Minimizza:

[math]
f(x,y) = x^2 + y^2
[/math]

soggetto al vincolo:

[math]
x + y – 1 \leq 0
[/math]

In questo caso, abbiamo una funzione obiettivo [math]f(x,y)[/math], nessun vincolo di uguaglianza ([math]m=0[/math]), e un singolo vincolo di disuguaglianza [math]h_1(x,y) = x + y – 1 \leq 0[/math] ([math]p=1[/math]). Usiamo [math]\mu[/math] come moltiplicatore per questo vincolo di disuguaglianza.

Ti potrebbe interessare anche:  Funzioni crescenti e decrescenti. Esercizi svolti

🔹 Costruzione della Lagrangiana KKT

La Lagrangiana KKT sarà:

[math]
\mathcal{L}(x,y,\mu) = f(x,y) + \mu_1 h_1(x,y) = x^2 + y^2 + \mu (x + y – 1)
[/math]

🔹 Condizioni KKT per l’esempio

Le condizioni che [math](x^*, y^*, \mu^*)[/math] devono soddisfare sono:

  1. Stazionarietà: Il gradiente della Lagrangiana rispetto a [math]x[/math] e [math]y[/math] è zero.
    [math]
    \frac{\partial \mathcal{L}}{\partial x} = 2x + \mu = 0 \quad \text{(1)}
    [/math]
    [math]
    \frac{\partial \mathcal{L}}{\partial y} = 2y + \mu = 0 \quad \text{(2)}
    [/math]
  2. Primal Feasibility (Vincolo soddisfatto): Il punto deve soddisfare il vincolo di disuguaglianza.
    [math]
    x + y – 1 \leq 0 \quad \text{(3)}
    [/math]
  3. Dual Feasibility (Moltiplicatore non negativo):
    [math]
    \mu \geq 0 \quad \text{(4)}
    [/math]
  4. Complementary Slackness (Complementarietà):
    [math]
    \mu (x + y – 1) = 0 \quad \text{(5)}
    [/math]

🔹 Risolviamo il sistema di condizioni

Dalle equazioni (1) e (2), otteniamo:

[math]
2x = -\mu \quad \text{e} \quad 2y = -\mu
[/math]

Questo implica [math]2x = 2y[/math], quindi [math]x = y[/math].

Sostituiamo [math]y = x[/math] nel vincolo (3):

[math]
x + x – 1 \leq 0 \quad \Rightarrow \quad 2x – 1 \leq 0 \quad \Rightarrow \quad x \leq \frac{1}{2}
[/math]

Ora utilizziamo la condizione di complementarità (5), che ci offre due casi possibili:

🟢 Caso 1: Il vincolo è attivo ([math]x + y – 1 = 0[/math])

Se [math]x + y – 1 = 0[/math], allora dalla nostra relazione [math]x=y[/math], abbiamo [math]x + x – 1 = 0 \Rightarrow 2x = 1 \Rightarrow x = \frac{1}{2}[/math]. Di conseguenza, [math]y = \frac{1}{2}[/math].

Ora controlliamo le altre condizioni per questo punto [math](x,y) = (\frac{1}{2}, \frac{1}{2})[/math]:

  • Fattibilità Primale (3): [math]\frac{1}{2} + \frac{1}{2} – 1 = 0[/math]. [math]0 \leq 0[/math] è vero. ✓
  • Stazionarietà (1) o (2): Usando [math]2x = -\mu[/math] con [math]x = \frac{1}{2}[/math], otteniamo [math]2(\frac{1}{2}) = -\mu \Rightarrow 1 = -\mu \Rightarrow \mu = -1[/math].
  • Fattibilità Duale (4): Dobbiamo avere [math]\mu \geq 0[/math]. Ma abbiamo trovato [math]\mu = -1[/math]. ❌ Questa condizione non è soddisfatta.

Quindi, il Caso 1 (vincolo attivo) non porta a una soluzione KKT valida.

🟢 Caso 2: Il vincolo non è attivo ([math]x + y – 1 < 0[/math])

Se il vincolo non è attivo, allora dalla condizione di complementarità (5), dobbiamo avere [math]\mu = 0[/math].

Ora controlliamo le altre condizioni con [math]\mu = 0[/math]:

  • Fattibilità Duale (4): [math]\mu = 0[/math]. [math]0 \geq 0[/math] è vero. ✓
  • Stazionarietà (1) o (2): Usando [math]2x = -\mu[/math] con [math]\mu = 0[/math], otteniamo [math]2x = 0 \Rightarrow x = 0[/math]. Poiché [math]x = y[/math], anche [math]y = 0[/math].
  • Fattibilità Primale (3): Dobbiamo controllare se il punto [math](x,y) = (0,0)[/math] soddisfa il vincolo di disuguaglianza [math]x + y – 1 \leq 0[/math]. Sostituendo, otteniamo [math]0 + 0 – 1 = -1[/math]. [math]-1 \leq 0[/math] è vero. ✓

Tutte le condizioni KKT sono soddisfatte per il punto [math](x,y) = (0,0)[/math] con [math]\mu = 0[/math].

🔹 Conclusione dell’esempio:

L’unico punto che soddisfa le condizioni KKT è [math](x^*, y^*) = (0, 0)[/math], con moltiplicatore [math]\mu^* = 0[/math].

Calcoliamo il valore della funzione obiettivo in questo punto:

[math]
f(0,0) = 0^2 + 0^2 = 0
[/math]

Il valore minimo della funzione [math]f(x,y) = x^2 + y^2[/math] soggetto al vincolo [math]x + y – 1 \leq 0[/math] è 0, raggiunto nel punto [math](0,0)[/math]. Questo risultato ha senso, poiché l’origine [math](0,0)[/math] è il minimo globale non vincolato di [math]f(x,y)[/math], e l’origine soddisfa anche il vincolo [math]0 + 0 – 1 = -1 \leq 0[/math]. Quindi, il minimo vincolato coincide con il minimo non vincolato.

Riepilogo finale

Le condizioni KKT sono uno strumento essenziale per affrontare problemi di ottimizzazione più complessi:

Tipo di vincolo nel problema Metodo da usare per trovare i punti critici
Solo uguaglianze ([math]g_i(\mathbf{x}) = 0[/math]) Lagrangiana classica
Anche disuguaglianze ([math]g_i(\mathbf{x}) = 0[/math] e/o [math]h_j(\mathbf{x}) \leq 0[/math]) Condizioni KKT (Karush-Kuhn-Tucker)

Comprendere e applicare le condizioni KKT è fondamentale per risolvere una vasta gamma di problemi di ottimizzazione nel campo della ricerca operativa, dell’economia, dell’ingegneria e del machine learning.

(666)

PubblicitàPubblicità